Return to Video

Basketbal's wildste bewegingen gedigitaliseerd

  • 0:01 - 0:05
    Mijn collega's en ik zijn gefascineerd
    door de wetenschap van bewegende puntjes.
  • 0:05 - 0:06
    Welke puntjes?
  • 0:06 - 0:07
    Puntjes zoals jij en ik.
  • 0:07 - 0:12
    We bewegen door ons huis,
    in ons kantoor, winkelend en reizend,
  • 0:13 - 0:15
    door onze steden en over de wereld.
  • 0:15 - 0:19
    Zou het niet mooi zijn als we
    al deze bewegingen konden begrijpen?
  • 0:19 - 0:22
    Als we er patronen, betekenis en
    inzicht in konden vinden?
  • 0:23 - 0:26
    Gelukkig zijn we tegenwoordig erg goed
  • 0:26 - 0:29
    in het registreren
    van informatie over onszelf.
  • 0:29 - 0:32
    Of we het nou doen met sensors,
    video's of applicaties,
  • 0:32 - 0:36
    we kunnen onze bewegingen
    tot in extreem detail volgen.
  • 0:36 - 0:42
    Het blijkt dat een van de beste plaatsen
    om deze data te verzamelen
  • 0:42 - 0:43
    sport is.
  • 0:43 - 0:48
    Dus of het nou basketbal, honkbal,
    voetbal of American football is,
  • 0:48 - 0:51
    we rusten onze stadions
    en spelers uit met instrumenten
  • 0:51 - 0:54
    om elke milliseconde
    van hun bewegingen te registreren.
  • 0:54 - 0:58
    Wat we dus eigenlijk doen
    is onze atleten veranderen in --
  • 0:58 - 1:00
    je raadt het al --
  • 1:00 - 1:02
    bewegende puntjes.
  • 1:02 - 1:05
    Zo komen we tot massa's bewegende puntjes,
  • 1:05 - 1:09
    maar net zoals met de meeste ruwe data
    kun je er dan nog weinig mee.
  • 1:09 - 1:13
    Er zijn echter dingen die bijvoorbeeld
    basketbaltrainers willen weten.
  • 1:13 - 1:15
    Dingen die ze niet kúnnen weten,
  • 1:15 - 1:18
    omdat ze daarvoor elke seconde
    van elke wedstrijd zouden moeten zien,
  • 1:18 - 1:20
    onthouden en verwerken.
  • 1:20 - 1:22
    Dat kan een mens niet.
  • 1:22 - 1:23
    Maar een machine wel.
  • 1:24 - 1:27
    Het probleem is dat een machine
    niet kijkt met het oog van een coach.
  • 1:27 - 1:30
    Althans, dat konden ze niet. Nu wel.
  • 1:30 - 1:32
    Wat hebben we de machine leren zien?
  • 1:34 - 1:35
    We zijn simpel begonnen.
  • 1:35 - 1:39
    We leerden haar wat passes,
    schoten en rebounds zijn.
  • 1:39 - 1:42
    Dingen die de gemiddelde fan ook weet.
  • 1:42 - 1:45
    Daarna gingen we wat lastiger dingen doen.
  • 1:45 - 1:49
    Dingen als post-ups,
    pick-and-rolls en isolaties.
  • 1:49 - 1:53
    Het geeft niet als dat je niets zegt.
    De meeste spelers weten het wel.
  • 1:54 - 1:59
    We zijn inmiddels op een punt
    dat de machine complexe zaken begrijpt,
  • 1:59 - 2:02
    zoals down-screens en wide-pins.
  • 2:02 - 2:05
    Dingen die eigenlijk
    alleen professionals weten.
  • 2:05 - 2:09
    We hebben de machine dus geleerd
    met het oog van een coach te kijken.
  • 2:10 - 2:12
    Hoe hebben we dit voor elkaar gekregen?
  • 2:13 - 2:16
    Als ik een coach zou vragen
    wat een pick-and-roll is,
  • 2:16 - 2:17
    zou hij het beschrijven,
  • 2:17 - 2:20
    maar daar kan ik niet zomaar
    een algoritme van maken.
  • 2:21 - 2:27
    Een pick-and-roll is een basketbaldans
    voor twee aanvallers en twee verdedigers.
  • 2:28 - 2:29
    Dat gaat ongeveer zo.
  • 2:29 - 2:32
    De aanvaller zonder bal
  • 2:32 - 2:35
    gaat naast de verdediger staan
    die de aanvaller met de bal verdedigt
  • 2:35 - 2:36
    en hij blijft daar staan,
  • 2:36 - 2:40
    ze bewegen allebei, er gebeurt iets,
    ta-da, dat is een pick-and-roll.
  • 2:40 - 2:42
    (Gelach)
  • 2:42 - 2:44
    Dat is een voorbeeld
    van een slecht algoritme.
  • 2:46 - 2:49
    Als die aanvaller zonder bal
    -- die noemen we de screener --
  • 2:49 - 2:52
    in de buurt komt maar niet stopt,
  • 2:52 - 2:54
    is het niet echt een pick-and-roll.
  • 2:55 - 2:59
    Of als hij wel stopt,
    maar hij staat er te ver vanaf,
  • 2:59 - 3:00
    dan is het ook geen pick-and-roll.
  • 3:01 - 3:04
    Stopt hij wel en staat hij
    er dicht genoeg bij,
  • 3:04 - 3:07
    maar het gebeurt onder de basket,
    is het ook geen pick-and-roll.
  • 3:07 - 3:10
    Of ik heb het mis
    en het zijn wel pick-and-rolls.
  • 3:10 - 3:15
    Dat hangt af van de exacte timing,
    de afstanden en de locaties,
  • 3:15 - 3:16
    en dat maakt het zo lastig.
  • 3:17 - 3:22
    Gelukkig kunnen we de machine
    het beter leren beschrijven
  • 3:22 - 3:23
    dan we dat zelf kunnen.
  • 3:23 - 3:26
    Hoe dat werkt?
    Aan de hand van voorbeelden.
  • 3:26 - 3:29
    We zeggen tegen de machine:
    "Goedemorgen, machine.
  • 3:29 - 3:32
    Dit zijn wel pick-and-rolls
    en dit zijn er geen.
  • 3:33 - 3:35
    Zoek voor me uit
    waar het verschil in zit."
  • 3:35 - 3:39
    De sleutel is om de kenmerken te vinden
    die het verschil maken.
  • 3:39 - 3:42
    Moet ik het verschil uitleggen
    tussen een appel en een sinaasappel,
  • 3:42 - 3:45
    dan zeg ik bijvoorbeeld:
    "Kijk eens naar kleur of vorm."
  • 3:45 - 3:48
    Wij moeten uitvinden
    welke dingen dat zijn.
  • 3:48 - 3:49
    Met welke kenmerken
  • 3:49 - 3:52
    krijgt een computer vat
    op de wereld van bewegende puntjes?
  • 3:53 - 3:57
    Het ontdekken van al deze relaties
    met relatieve en absolute locaties,
  • 3:57 - 3:59
    afstand, timing, snelheden,
  • 3:59 - 4:04
    dat is de essentie van de wetenschap
    der bewegende puntjes, oftewel:
  • 4:04 - 4:08
    tijdruimtelijke patroonherkenning,
    in academische bewoordingen.
  • 4:08 - 4:11
    Je moet het altijd
    moeilijk laten klinken,
  • 4:11 - 4:12
    want dat is het ook.
  • 4:12 - 4:17
    Het gaat er de NBA-coaches niet om
    of er een pick-and-roll was of niet;
  • 4:17 - 4:20
    ze willen weten hóe dat gebeurde.
  • 4:20 - 4:23
    Waarom dat zo belangrijk is?
    Dat zal ik je vertellen.
  • 4:23 - 4:24
    Het blijkt dat in modern basketbal
  • 4:24 - 4:27
    de pick-and-roll wellicht
    het belangrijkste spelletje is.
  • 4:27 - 4:30
    Weten hoe het uit te voeren
    en hoe het te verdedigen,
  • 4:30 - 4:32
    is een sleutel tot het winnen
    of verliezen van wedstrijden.
  • 4:32 - 4:36
    Het blijkt dat deze dans
    vele variaties kent
  • 4:36 - 4:40
    en het identificeren van
    die variaties is cruciaal.
  • 4:40 - 4:42
    Daarom moeten we dit
    dus echt goed in kaart hebben.
  • 4:43 - 4:44
    Hier is een voorbeeld.
  • 4:44 - 4:46
    Er zijn twee aanvallers
    en twee verdedigers,
  • 4:46 - 4:48
    klaar om de pick-and-roll-dans te doen.
  • 4:48 - 4:52
    Degene met de bal kan
    aannemen of weigeren.
  • 4:52 - 4:55
    Zijn teamgenoot kan afrollen of 'poppen'.
  • 4:55 - 4:58
    Degene die op de bal verdedigt
    kan erover of eronder gaan.
  • 4:58 - 5:03
    Zijn medespeler kan dreigen,
    uitstappen of terugvallen
  • 5:03 - 5:05
    en samen kunnen ze switchen,
    of allebei de bal aanvallen.
  • 5:05 - 5:08
    Ik wist deze dingen ook niet toen ik begon
  • 5:08 - 5:12
    en het zou mooi zijn als iedereen
    beweegt zoals deze pijlen.
  • 5:12 - 5:16
    Dat zou wel makkelijk zijn,
    maar de praktijk is veel rommeliger.
  • 5:16 - 5:18
    Bewegingen zijn vaak onduidelijk
  • 5:18 - 5:23
    en het accuraat identificeren
    van deze variaties
  • 5:23 - 5:25
    in precisie en herinnering is lastig,
  • 5:25 - 5:28
    maar alleen zo win je het vertrouwen
    van een professionele coach.
  • 5:28 - 5:31
    Ondanks alle moeilijkheden
    met die tijdruimtelijke eigenschappen
  • 5:32 - 5:33
    zijn we daarin geslaagd.
  • 5:33 - 5:37
    Coaches vertrouwen erop dat onze machine
    deze variaties kan identificeren.
  • 5:37 - 5:43
    We zijn nu zover dat bijna elke topploeg
    die NBA-kampioen zou kunnen worden,
  • 5:43 - 5:45
    gebruik maakt van onze software,
  • 5:45 - 5:49
    die is gebouwd op een machine
    die de bewegende puntjes begrijpt.
  • 5:51 - 5:55
    Buiten dat hebben we ook advies gegeven
    dat strategieën heeft veranderd,
  • 5:55 - 5:58
    waardoor teams belangrijke wedstrijden
    hebben kunnen winnen.
  • 5:58 - 6:00
    Het is heel opwindend om te zien
  • 6:00 - 6:05
    dat coaches met 30 jaar ervaring
    advies aannemen van een machine.
  • 6:06 - 6:08
    Het is erg boeiend
    en veel meer dan pick-and-roll.
  • 6:08 - 6:10
    Onze computer begon met simpele dingen
  • 6:11 - 6:12
    die gaandeweg complexer werden
  • 6:12 - 6:14
    en inmiddels weet hij ontzettend veel.
  • 6:14 - 6:17
    Eerlijk gezegd begrijp ik
    weinig van wat hij doet.
  • 6:17 - 6:21
    Nu is er is niet zóveel voor nodig
    om slimmer te zijn dan ik,
  • 6:21 - 6:25
    maar zou een computer
    meer kunnen weten dan een coach?
  • 6:25 - 6:27
    Kan hij meer weten dan een persoon?
  • 6:27 - 6:29
    Het antwoord daarop blijkt 'ja'.
  • 6:29 - 6:31
    Coaches willen dat spelers
    schieten in kansrijke posities.
  • 6:31 - 6:35
    Sta ik in mijn eentje dicht bij de basket,
    dan is dat een goed schot.
  • 6:35 - 6:39
    Sta ik veraf met verdedigers om me heen,
    dan is dat meestal een slecht schot.
  • 6:39 - 6:44
    We wisten alleen nooit hoe goed 'goed' was
    en hoe slecht 'slecht' was, kwantitatief.
  • 6:44 - 6:45
    Tot nu.
  • 6:46 - 6:49
    We zijn gaan kijken
    naar de tijdruimtelijke eigenschappen
  • 6:49 - 6:50
    van elk schot.
  • 6:50 - 6:53
    Waar wordt geschoten?
    Wat is de hoek naar de basket?
  • 6:53 - 6:56
    Waar zijn de verdedigers?
    Hoever staan ze ervan af?
  • 6:56 - 6:57
    Onder welke hoek?
  • 6:57 - 7:00
    Bij meerdere verdedigers
    kijken we naar hoe de speler beweegt
  • 7:00 - 7:02
    en voorspellen het type schot.
  • 7:02 - 7:06
    We kijken naar alle snelheden
    en bouwen dan een model dat voorspelt:
  • 7:06 - 7:10
    wat is de kans dat dit schot erin gaat
    onder deze omstandigheden?
  • 7:10 - 7:12
    Waarom is dit belangrijk?
  • 7:12 - 7:15
    We breken zoiets als 'schieten',
  • 7:15 - 7:18
    van één ding, in twee dingen:
  • 7:18 - 7:20
    de kwaliteit van het schot
    en die van de schutter.
  • 7:22 - 7:25
    Hier is een bellendiagram,
    want wat is TED zonder een bellendiagram?
  • 7:25 - 7:26
    (Gelach)
  • 7:26 - 7:27
    Dat zijn NBA-spelers.
  • 7:27 - 7:30
    De maat is de lengte van de speler
    en de kleur is hun positie.
  • 7:30 - 7:33
    Op de x-as hebben we de schotkans.
  • 7:33 - 7:37
    De mensen links nemen moeilijke schoten
    en die rechts makkelijke schoten.
  • 7:37 - 7:39
    Op de y-as staat hun schietvaardigheid.
  • 7:39 - 7:42
    De beste staan bovenaan,
    de slechtste onderaan.
  • 7:42 - 7:44
    Als er bijvoorbeeld een speler was
  • 7:44 - 7:46
    die 47% van zijn schoten scoorde,
  • 7:46 - 7:47
    was dat vroeger alles dat je wist.
  • 7:47 - 7:50
    Nu kan ik aantonen
    dat die speler schoten neemt
  • 7:51 - 7:54
    die door de gemiddelde NBA-speler
    49% van de tijd raak geschoten worden,
  • 7:54 - 7:56
    en dat hij dus twee procent slechter is.
  • 7:56 - 8:01
    Dat is zo belangrijk
    omdat er massa's spelers 47 scoren.
  • 8:02 - 8:04
    Het is dus van groot belang om te weten
  • 8:04 - 8:08
    of die 47 die 100 miljoen dollar kost
  • 8:08 - 8:11
    een goede schutter is
    die slechte schoten neemt,
  • 8:11 - 8:14
    of een slechte schutter
    die goede schoten neemt.
  • 8:15 - 8:18
    Dat digitale inzicht verandert niet alleen
    hoe we naar spelers kijken,
  • 8:18 - 8:20
    maar ook hoe we naar het spel kijken.
  • 8:20 - 8:24
    Een paar jaar geleden was er
    een spannende wedstrijd in de NBA-finale.
  • 8:24 - 8:27
    Miami stond drie punten achter
    met nog 20 seconden te gaan.
  • 8:27 - 8:29
    Ze gingen het kampioenschap verliezen.
  • 8:29 - 8:33
    LeBron James probeerde
    gelijk te maken met een driepunter.
  • 8:33 - 8:34
    Hij miste.
  • 8:34 - 8:36
    Zijn teamgenoot Bosh pakte de rebound
  • 8:36 - 8:38
    en passte de bal naar Ray Allen.
  • 8:38 - 8:40
    Die scoorde en het werd een verlenging.
  • 8:40 - 8:42
    Ze wonnen de wedstrijd.
    Ze werden kampioen.
  • 8:42 - 8:45
    Het was één van de spannendste
    basketbalwedstrijden.
  • 8:45 - 8:50
    Dat we van elke speler
    op elk moment de scoringskans weten
  • 8:50 - 8:52
    en de kans dat ze een rebound pakken,
  • 8:52 - 8:57
    kan dit moment belichten
    zoals nooit tevoren.
  • 8:58 - 9:00
    Helaas kan ik de video niet laten zien.
  • 9:00 - 9:01
    Maar --
  • 9:01 - 9:05
    voor jullie hebben we
    dat moment nagebootst
  • 9:05 - 9:07
    tijdens onze wekelijkse
    basketbalwedstrijd.
  • 9:07 - 9:09
    (Gelach)
  • 9:10 - 9:13
    We hebben de situatie nagespeeld
    die tot de inzichten leidde.
  • 9:13 - 9:17
    Dit zijn we.
    In Chinatown, Los Angeles.
  • 9:17 - 9:19
    Hier spelen we elke week
  • 9:19 - 9:21
    en hier doen we het Ray Allen-moment na
  • 9:21 - 9:24
    met alle benodigde informatie erbij.
  • 9:25 - 9:26
    Dit is het schot.
  • 9:26 - 9:29
    Ik zal het moment laten zien
  • 9:29 - 9:31
    met alle inzichten erbij.
  • 9:31 - 9:35
    Het enige verschil is
    dat we geen professionals zijn
  • 9:35 - 9:38
    en ik ben geen professionele commentator.
  • 9:38 - 9:40
    Hier moeten we het mee doen.
  • 9:41 - 9:42
    Miami.
  • 9:43 - 9:44
    Drie punten achter.
  • 9:44 - 9:45
    Twintig seconden nog.
  • 9:47 - 9:49
    Jeff dribbelt de bal op.
  • 9:51 - 9:52
    Josh vangt en schiet!
  • 9:53 - 9:54
    [Berekening schietkans]
  • 9:55 - 9:56
    [Schotkwaliteit]
  • 9:57 - 9:59
    [Reboundkans]
  • 10:00 - 10:02
    Hij mist!
  • 10:02 - 10:03
    [Reboundkans]
  • 10:04 - 10:05
    Rebound, Noel.
  • 10:05 - 10:06
    Terug naar Daria.
  • 10:07 - 10:10
    [Schotkwaliteit]
  • 10:11 - 10:12
    Haar driepunter -- raak!
  • 10:12 - 10:15
    Gelijke stand met vijf seconden te gaan.
  • 10:15 - 10:16
    Het publiek wordt gek!
  • 10:17 - 10:18
    (Gelach)
  • 10:18 - 10:20
    Zo ging het ongeveer.
  • 10:20 - 10:21
    (Applaus)
  • 10:21 - 10:22
    Grofweg.
  • 10:22 - 10:24
    (Applaus)
  • 10:24 - 10:30
    De kans dat dit moment in de NBA
    zou gebeuren was negen procent.
  • 10:30 - 10:32
    Dat weten we en nog veel meer.
  • 10:32 - 10:35
    Ik ga niet vertellen hoe vaak
    wij hierover gedaan hebben.
  • 10:35 - 10:37
    (Gelach)
  • 10:37 - 10:39
    Nou goed dan: vier keer!
  • 10:39 - 10:40
    (Gelach)
  • 10:40 - 10:41
    Goed gedaan, Daria.
  • 10:42 - 10:46
    Maar het belangrijke bij deze video,
  • 10:46 - 10:51
    of bij de inzichten die we hebben
    in elke NBA-wedstrijd -- is niet dat.
  • 10:51 - 10:55
    Het is het feit dat je geen profteam
    hoeft te zijn om bewegingen te volgen.
  • 10:55 - 10:58
    Je hoeft geen profspeler te zijn
    om inzicht te krijgen in bewegingen.
  • 10:58 - 11:03
    Het hoeft niet eens over sport te gaan,
    want we bewegen tenslotte overal.
  • 11:04 - 11:06
    In onze huizen,
  • 11:09 - 11:11
    onze kantoren,
  • 11:12 - 11:15
    tijdens het winkelen en reizen
  • 11:17 - 11:19
    door onze steden
  • 11:20 - 11:22
    en over de hele wereld.
  • 11:23 - 11:26
    Wat gaan we ontdekken?
    Wat gaan we leren?
  • 11:26 - 11:27
    In plaats van pick-and-rolls
  • 11:27 - 11:31
    kan een machine misschien het moment
    herkennen en mij verwittigen
  • 11:31 - 11:33
    als mijn dochter
    haar eerste stapjes zet --
  • 11:33 - 11:36
    wat nu trouwens op elk moment
    zou kunnen gebeuren --
  • 11:36 - 11:40
    Misschien kunnen we onze gebouwen
    en steden beter indelen.
  • 11:40 - 11:45
    Ik denk dat de ontwikkeling
    van deze wetenschap
  • 11:45 - 11:48
    ons beter, slimmer
    en verder vooruit zal doen bewegen.
  • 11:49 - 11:50
    Dank je wel.
  • 11:50 - 11:53
    (Applaus)
Title:
Basketbal's wildste bewegingen gedigitaliseerd
Speaker:
Rajiv Maheswaran
Description:

Basketbal is een hogesnelheidsspel van improvisatie, contact en, ahum, tijdruimtelijke patroonherkenning. Rajiv Maheswaran en zijn collega's analyseren de bewegingen achter de essentiële tactieken van het spel, zodat coaches en spelers hun intuïtie kunnen combineren met nieuwe inzichten. Bonus: Wat zij leren, kan ons helpen begrijpen hoe mensen in allerlei situaties bewegen.
more » « less
Video Language:
English
Team:
closed TED
Project:
TEDTalks
Duration:
12:08

Dutch subtitles

Revisions Compare revisions

Our website uses cookies for analysis purposes.